在第一部分中，分析了整个小项目的体系，重点讨论了用于人脸检测对齐的mtcnn网络的实现原理，并利用笔记本电脑自带的摄像头进行了测试。今天在这里要讨论的重点是人脸识别中的核心部分——facenet网络。
facenet是Google开源的人脸识别框架，它的作用是把输入的人脸图像映射为多维特征向量，相当于对不同的人脸进行了不同的编码，同一个人脸的图像生成的编码几乎一致，不同的人脸图像生成的编码差异非常大，并以此达到识别的目的。设计一个能够达到这样效果的映射的网络是一个很难的问题，我们下面就一步一步来看facenet是怎样解决这个问题的。
首先，facenet的结构是这样的：
facenet网络的输入有多种不同的大小，中间部分是一个深度卷积神经网络，与其他普通CNN没有多大区别。facenet不一样的地方在于后面部分，它对深度卷积神经网络的输出做了一个L2正则化，然后再对输出进行了embedding，直接将embedding的映射结果作为特征向量输出。facenet并没有像其他一般的CNN用softmax作为损失函数，而是设计了一种新的损失——triplet loss。
在理想的情况下，特征向量之间的距离可以直接反映人脸的相似度，即：
假设人脸图像为x1和x2，对应的特征为f(x1)和f(x2)。当x1和x2对应的是同一个人脸时，其距离II f(x1)-f(x2) II应该很小，而当x1和x2对应的是不同的人脸时，其距离II f(x1)-f(x2) II应该很大。
然而事实并非如此。在一般CNN网络中，最后的输出经过softmax分类器，使用的是softmax损失。这个损失是不同类别间的损失。对于人脸来说，每一个人脸就是一个人。看起来似乎很合理，但是用softmax表示损失，以此区别出不同的人是不可行的。softmax本质上没有对每一类的向量表示之间的距离做出要求。用softmax分类的结果，可能同一个类中的向量，它的类间距比不同类中的向量间距还要大。对于这种情况，就要考虑设计新的损失函数解决问题。
下面重点看triplet loss的定义及原理
三元组损失(triplet loss)的原理：既然目标是特征之间的距离应当具备某些性质，那么就围绕这个距离来设计损失。具体的，每次都在训练数据中取出三张人脸图像，第一张图像记为
